CN117911034A - 一种信用卡异常交易检测方法及装置 - Google Patents

一种信用卡异常交易检测方法及装置 Download PDF

Info

Publication number
CN117911034A
CN117911034A CN202410090783.0A CN202410090783A CN117911034A CN 117911034 A CN117911034 A CN 117911034A CN 202410090783 A CN202410090783 A CN 202410090783A CN 117911034 A CN117911034 A CN 117911034A
Authority
CN
China
Prior art keywords
credit card
data
transaction
abnormal
partition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410090783.0A
Other languages
English (en)
Inventor
张凡
刘赛钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202410090783.0A priority Critical patent/CN117911034A/zh
Publication of CN117911034A publication Critical patent/CN117911034A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供一种信用卡异常交易检测方法及装置，涉及人工智能技术领域，可用于金融领域或其他技术领域。所述方法包括：获取待检测信用卡交易数据；基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。所述装置执行上述方法。本发明实施例提供的信用卡异常交易检测方法及装置，通过进行分区数据平衡化处理的局部离群因子算法，能够提高多维度信用卡交易数据的检测结果准确度和检测效率。

Description

一种信用卡异常交易检测方法及装置
技术领域
本发明涉及人工智能技术领域，具体涉及一种信用卡异常交易检测方法及装置。
背景技术
近年来信用卡发卡量整体呈上升趋势，信用卡消费场景多元化，同时涉及信用卡交易的电信网络诈骗案件呈现持续高发态势，银行从拦截阻断风险交易、帮助客户提升风险防范意识等方面，持续升级反诈手段，加大了防范涉及信用卡的电信网络诈骗打击力度。然而事前防控手段往往无法阻止涉诈交易的发生，现有的检测机制通常是使用海量的交易数据建立的通用反欺诈模型，对于短期的小体量、碎片化、高维度的涉及信用卡的交易数据，数据样本不足致使无法建立可靠的模型，同时通用反欺诈模型在数据特征多元性上存在局限性，对于涉及信用卡的欺诈交易检测表现不佳。
在数据挖掘领域有许多信用卡欺诈交易检测方法，目前运用较广的有基于距离和基于密度的检测方法，后者比较具代表性的是LOF(Local Outlier Factor)局部异常因子算法，其原理是通过相邻数据点的数据量来计算其密度并与其他数据点的密度进行比较来判定数据对象是否为异常值，该算法思想简洁，不受数据分布影响，低维度数据上检测效果较好，但其较高的时间复杂度以及在高维数据集上较差的检测效率，无法满足涉及信用卡交易的高维度数据的检测需求。
发明内容
针对现有技术中的问题，本发明实施例提供一种信用卡异常交易检测方法及装置，能够至少部分地解决现有技术中存在的问题。
一方面，本发明提出一种信用卡异常交易检测方法，包括：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
其中，所述基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果，包括：
若确定所述预设信用卡异常交易检测模型输出的局部异常因子大于1，则确定所述信用卡异常交易检测结果为异常；
若确定所述预设信用卡异常交易检测模型输出的局部异常因子小于等于1，则确定所述信用卡异常交易检测结果为正常。
其中，基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法，得到所述预设信用卡异常交易检测模型，包括：
获取多维信用卡交易数据，对所述多维信用卡交易数据进行降维处理，得到目标维度信用卡交易数据；
对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集；
根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值；
根据所述局部异常因子预测值和局部异常因子真实值对局部异常因子算法进行训练，得到所述预设信用卡异常交易检测模型。
其中，所述对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集，包括：
对所述目标维度信用卡交易数据进行分区数据数量均衡处理，以及分区直径最小化处理；
以分区数据数量均衡处理结果和分区直径最小化处理结果为目标，求解得到最佳分割位；
将小于所述最佳分割位的目标维度信用卡交易数据作为第一分区数据集，将大于等于所述最佳分割位的目标维度信用卡交易数据作为第二分区数据集。
其中，对所述目标维度信用卡交易数据进行分区直径最小化处理，包括：
计算所述目标维度信用卡交易数据的最大值和最小值之间的均值；
根据所述均值、所述最大值和所述最小值对所述目标维度信用卡交易数据进行分区直径最小化处理。
其中，所述根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值，包括：
根据所述第一分区数据集和所述第二分区数据集，并利用k近邻算法和范围查询算法进行双重剪枝加速数据检索计算，得到数据对象的第k距离；
根据数据对象的第k距离，计算得到所述局部异常因子预测值。
其中，所述根据数据对象的第k距离，计算得到所述局部异常因子预测值，包括：
根据数据对象的第k距离计算得到数据对象的第k距离邻域；
根据数据对象的欧式距离和第k距离计算得到数据对象的第k可达距离；
根据与第k距离邻域对应的第k距离邻域数据对象容量和数据对象的第k可达距离，计算得到数据对象的局部可达密度；
根据数据对象的局部可达密度和所述第k距离邻域数据对象容量，计算得到所述局部异常因子预测值。
一方面，本发明提出一种信用卡异常交易检测装置，包括：
获取单元，用于获取待检测信用卡交易数据；
检测单元，用于基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
本发明实施例提供的信用卡异常交易检测方法及装置，获取待检测信用卡交易数据；基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到，通过进行分区数据平衡化处理的局部离群因子算法，能够提高多维度信用卡交易数据的检测结果准确度和检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明一实施例提供的信用卡异常交易检测方法的流程示意图。
图2是本发明另一实施例提供的信用卡异常交易检测方法的流程示意图。
图3是本发明实施例提供的信用卡异常交易检测方法的说明示意图。
图4是本发明一实施例提供的信用卡异常交易检测装置的结构示意图。
图5为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
图1是本发明一实施例提供的信用卡异常交易检测方法的流程示意图，如图1所示，本发明实施例提供的信用卡异常交易检测方法，包括：
步骤S1：获取待检测信用卡交易数据。
步骤S2：基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
在上述步骤S1中，装置获取待检测信用卡交易数据。装置可以是执行该方法的计算机设备。需要说明是，本发明实施例涉及数据的获取及分析是经用户授权的。待检测信用卡交易数据可以是经过分析保留的对信用卡异常交易检测起到关键作用的一个维度的信用卡交易数据，可以包括如下多种维度信用卡交易数据中的一种维度：
日期、地点、交易类型、金额、供应商、交易设备标识和客户的行为模式等。
在上述步骤S2中，装置基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；可以将待检测信用卡交易数据输入至预设信用卡异常交易检测模型，通过预设信用卡异常交易检测模型输出局部异常因子，根据局部异常因子的数值确定信用卡异常交易检测结果。
所述基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果，包括：
若确定所述预设信用卡异常交易检测模型输出的局部异常因子大于1，则确定所述信用卡异常交易检测结果为异常；
若确定所述预设信用卡异常交易检测模型输出的局部异常因子小于等于1，则确定所述信用卡异常交易检测结果为正常。
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法，得到所述预设信用卡异常交易检测模型，包括：
获取多维信用卡交易数据，对所述多维信用卡交易数据进行降维处理，得到目标维度信用卡交易数据；该步骤对应于图2中的S101和S102中的“生成预划分新数据集”。
如图3所示，客户发起交易后交易数据会流转到银行的交易处理中心进行处理，所有的交易数据以T+1的频次批量保存于交易数据库中。
根据提前定义的一系列数据特征取舍规则，保留所有有意义的特征(例如日期、地点、交易类型、金额、供应商、交易设备标识、客户的行为模式等)，提取其中涉及到信用卡的交易数据，对数据进行脱敏后加工保存至模型数据库中，得到模型训练所需数据集。
需要说明的是，训练原始检测模型所需数据来自存量交易数据，该部分数据中已有部分数据被银行的交易处理中心标记为非正常交易，而日均批量产生的增量数据在经过初始模型识别后携带标签并入训练数据集参与新模型的训练。增量数据集到达一定数量后训练新的模型，逐步增强检测模型的泛化能力。
S102步骤实现平衡化处理数据对象的空间划分。基于密度的异常检测算法建模过程中涉及到数据对象的近邻搜索，而信用卡交易数据往往是多维的，因此选用广泛用于各种多维空间数据检索和存取场景的球树模型来存储建模所用交易数据。
需要说明的是，传统球树模型中依赖于空间距离最远的两个数据对象来划分数据簇，在存在异常数据的数据集中，这种数据划分方式可能引起数据不平衡，因此本发明实施例使用一种基于数据主成分和数据量平衡化的方式来构建待测数据集的数据空间。该步骤具体包括三个部分，即(1)生成预划分新数据集；(2)分区数据平衡化；(3)数据划分处理。
对(1)生成预划分新数据集，进行说明如下：
应用主成分分析(Principle Component Analysis，PCA)变换数据，并提取目标特征向量w1，表示为：
其中，X＝{x1,x2......xn}∈Rd为输入的n维信用卡交易数据，T＝{t1,t2......tn}为该数据通过PCA变换后得到的目标维度信用卡交易数据，w为特征向量，即
其中，为将第i个维度作为目标维度的目标维度信用卡交易数据的第j个特征值，xi为第i维信用卡交易数据，w(j)为特征向量的第j个特征值。
仅保留目标特征向量w1的原因是PCA的特性决定了该向量保留了数据对象中的最重要信息。
使用将输入数据集映射到其目标特征向量w1得到新的数据集T(即由目标维度信用卡交易数据组成的数据集)，它是一个标量数据集，其转换方式可表示为：
T＝X·w(1)。
对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集；该步骤对应于S102中的“数据平衡化”和“数据划分处理”。所述对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集，包括：
对所述目标维度信用卡交易数据进行分区数据数量均衡处理，以及分区直径最小化处理；
以分区数据数量均衡处理结果和分区直径最小化处理结果为目标，求解得到最佳分割位；
将小于所述最佳分割位的目标维度信用卡交易数据作为第一分区数据集，将大于等于所述最佳分割位的目标维度信用卡交易数据作为第二分区数据集。
对所述目标维度信用卡交易数据进行分区直径最小化处理，包括：
计算所述目标维度信用卡交易数据的最大值和最小值之间的均值；
根据所述均值、所述最大值和所述最小值对所述目标维度信用卡交易数据进行分区直径最小化处理。
对(2)分区数据平衡化进行说明如下：
分区数据数量均衡：在划分待测数据的数据空间时，每次划分尽可能的使得两个空间子分区的数据对象数量一致以加速近邻搜素，可转换为求最优解，其中N表示目标维度信用卡交易数据的数据量，即待划分数据的数量，N1表示划分后的一部分子分区数据数量，N2表示划分后的另一部分子分区数据数量。
分区直径最小化：在子分区的数据点尽可能均衡的情况下，要加速球树结构的数据检索，需使得数据分区的分割直径尽可能的小。为了简单高效地确定最佳的数据空间分割位，在新的标量数据集T中，设目标维度信用卡交易数据的最大值和最小值分别为tmax和tmin。数据空间分割位应尽可能的在两者中间的位置，即均值避免出现极端的分区直径。分割位可表示为：
对(3)数据划分处理，进行说明如下：
以为目标，将求取的最优解作为最佳分割位ptar。
其中，a是一个权重参数，即当待划分数据集各数据对象特征无明显差异时，设置较小的权重a偏重于利用分区数据数量均衡来找到最佳数据空间分割位。对每一个子分区按照上述分割原则进行数据划分。完成全部数据划分后，球树结构的任意可分割数据分区的左分区数据集可表示为：XL＝{xi|xi∈X,ti＜ptar}，右分区数据集可表示为：XR＝{xi|xi∈X,ti≥ptar}。左分区数据集对应第一分区数据集，右分区数据集对应第二分区数据集。
根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值；该步骤对应103步骤，具体包括四个部分，即(1)计算数据对象的第k距离；(2)计算数据对象可达距离；(3)计算数据对象的局部可达密度；(4)计算数据对象的局部异常因子预测值LOFk(p)。
所述根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值，包括：
根据所述第一分区数据集和所述第二分区数据集，并利用k近邻算法和范围查询算法进行双重剪枝加速数据检索计算，得到数据对象的第k距离；
根据数据对象的第k距离，计算得到所述局部异常因子预测值。
所述根据数据对象的第k距离，计算得到所述局部异常因子预测值，包括：
根据数据对象的第k距离计算得到数据对象的第k距离邻域；
根据数据对象的欧式距离和第k距离计算得到数据对象的第k可达距离；
根据与第k距离邻域对应的第k距离邻域数据对象容量和数据对象的第k可达距离，计算得到数据对象的局部可达密度；
根据数据对象的局部可达密度和所述第k距离邻域数据对象容量，计算得到所述局部异常因子预测值。
对(1)计算数据对象的第k距离，进行说明如下：
计算数据对象之间的欧式距离：针对任一信用卡交易数据对象p(p∈X)和q(q∈X)，p和q在数据空间中的真实距离记为d(p,q)，根据欧式距离定义可表示为：
其中，pi和qi表示数据对象p和q在i维的特征值，n表示信用卡交易数据集的维度，因此1≤i≤n。
计算数据对象的第k距离：对于设定的阈值k，满足1≤k≤S，其中S是数据集X的容量。数据对象p的第k距离记为k-dis(p)。存在以下两种情况使得k-dis(p)＝d(p,q)：
①:至少存在k个数据对象q'∈X\{p}，满足d(p,q')≤d(p,q)。
②:至多存在k-1个个数据对象q'∈X\{p}满足d(p,q')＜d(p,q)。
即：在已构造好的球树结构中，使用k近邻算法和范围查询算法进行双重剪枝加速数据检索，计算数据集X(不包括q)中距离p较近的其他k个数据对象的欧氏距离，q是距离p最近的第k个数据对象。
本发明实施例方法的数据集的数据结构此时已不再是线性数据结构，因此可以使用k近邻算法和范围查询算法并行计算，极大提高了数据检索速度。
计算数据对象的第k距离邻域：对于数据对象p，它的第k距离内存在多个非p的其他数据对象组成的数据集，该数据集称为p的第k距离邻域，记为Nk-dis(p)，表示为：
|Nk-dis(p)＝q∈X\{p}|d(p,q)≤k-dis(p)|≥k，当X中存在多个数据对象与p的空间距离相同时，p的第k距离邻域数据对象容量|Nk(p)|则会大于阈值k。
对(2)计算数据对象可达距离，进行说明如下：
以数据对象q为中心，数据对象p到q的第k可达距离记为reach-disk(p,q)，它至少是q的第k距离或者p、q之间的真实距离，表示为：reach-disk(p,q)＝max{k-dis(q),d(p,q)}。
如果数据对象p位于q的第k距离邻域内，那么reach-disk(p,q)＝k-dis(q)；如果数据对象与q的真实距离大于q的第k距离，那么reach-disk(p,q)＝d(p,q)。
对(3)计算数据对象的局部可达密度，进行说明如下：
对于数据对象p，它的第k距离邻域内所有数据对象到p的平均可达距离的倒数被定义为p的局部可达密度，记为lrdk(p)，表示为：
其中，b是一个极小常数，用来避免出现分母为0的情况。对于信用卡交易数据对象p的局部可达密度视为给定阈值区域内的数据密集度，数据密集度越高，则该数据对象与区域内其他数据对象同属一簇的可能性越大，该笔交易为正常交易的可能性也就越大。反之，如果数据密集度很低，表示该数据对象偏离了多数群体对象，为异常交易的概率就越大。
对(4)计算数据对象的局部异常因子预测值LOFk(p)，进行说明如下：
数据对象p的第k距离邻域内其他数据对象的局部可达密度与p的局部可达密度比值的平均数定义为p的局部异常因子预测值LOFk(p)，表示为：
对于任意交易数据，它的LOF值是判断该交易是否为异常交易的最直接标准，由公式可知，当数据对象p与其第k距离领域内所有数据对象的局部可达密度恰好都一致时，p的局部异常因子LOF值为1，说明p与其邻域内的其他数据对象具有相同特性，属同一簇的概率很大，可以认为是正常交易。
当数据对象p的局部可达密度大于邻域内其他数据对象的局部可达密度时，此时p的局部异常因子LOF值小于1，说明数据对象p可能位于数据对象密集区域，可排除为异常交易的可能性，可以认为是正常交易。
而当数据对象p的局部可达密度小于邻域内其他数据对象的局部可达密度时，此时p的局部异常因子LOF值大于1，说明数据对象p为异常交易数据，且LOF的值越大，异常特征越明显。
根据所述局部异常因子预测值和局部异常因子真实值对局部异常因子算法进行训练，得到所述预设信用卡异常交易检测模型。
根据LOF值分布获取模型检测出的异常交易数据，与模型训练样本真实标签，依次计算混淆矩阵、精确度和召回率，最后计算模型的F1_score。动态调整算法模型训练阈值，选取最高F1_score时的阈值为算法模型的阈值，得到最佳识别模型，部署到异常交易检测中心。如图3所示，用户发起交易后由交易处理中心完成数据处理后流转到检测中心，检测中心下发检测结果，交易处理中心将结果反馈给用户，同时将该数据保存至交易数据库。
本发明提出一种基于局部异常因子检测的信用卡异常交易快速检测方法，利用一种基于主成分分析和数据平衡树原则的数据空间划分准则，混合使用k近邻搜索与范围搜索的剪枝查询策略优化的球形近邻搜索数据结构来加快局部离群因子算法中各数据点的密度计算速度，同时使其适应信用卡交易数据这类高维空间数据检索和存储场景，准确快速的检测涉及信用卡的异常交易。
本发明提出一种基于局部异常因子检测的信用卡异常交易快速检测方法，利用适合高维空间数据检索和存储场景的近邻搜索数据结构来优化传统的局部离群因子算法，提高该算法的模型构建和数据搜索速度和多维数据检测精度，使用客户存量交易数据通过多次训练找到初始模型合适的模型阈值，后续自动采集交易数据进行增强训练动态调整检测阈值，建立最佳的信用卡欺诈交易检测模型。
本发明提出一种基于局部异常因子检测的信用卡异常交易快速检测方法，具有如下有益技术效果：
1、目前针对异常交易检测在交易卡种细分领域存在进一步挖掘空间，本方法通过对涉信用卡交易数据的特征提取，利用快速检测算法模型，能够完成针对涉信用卡交易的异常交易行为快速检测。
2、本方法使用了经典的基于密度的异常检测算法模型，优化了算法在处理高维数据方面存在的缺陷，同时对数据空间划分方式、搜索方式进行了优化，有效地降低了异常检测算法的时间复杂度，提高了异常交易检测的速度和效率。
3、本方法训练的针对信用卡交易的异常交易检测模型具有较好的迁移学习能力，可扩展应用到涉及异常交易检测的其他场景。
本发明实施例提供的信用卡异常交易检测方法，获取待检测信用卡交易数据；基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到，通过进行分区数据平衡化处理的局部离群因子算法，能够提高多维度信用卡交易数据的检测结果准确度和检测效率。
进一步地，所述基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果，包括：
若确定所述预设信用卡异常交易检测模型输出的局部异常因子大于1，则确定所述信用卡异常交易检测结果为异常；可参照上述实施例说明，不再赘述。
若确定所述预设信用卡异常交易检测模型输出的局部异常因子小于等于1，则确定所述信用卡异常交易检测结果为正常。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用卡异常交易检测方法，进一步能够提高多维度信用卡交易数据的检测结果准确度。
进一步地，基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法，得到所述预设信用卡异常交易检测模型，包括：
获取多维信用卡交易数据，对所述多维信用卡交易数据进行降维处理，得到目标维度信用卡交易数据；可参照上述实施例说明，不再赘述。
对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集；可参照上述实施例说明，不再赘述。
根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值；可参照上述实施例说明，不再赘述。
根据所述局部异常因子预测值和局部异常因子真实值对局部异常因子算法进行训练，得到所述预设信用卡异常交易检测模型。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用卡异常交易检测方法，进一步能够提高多维度信用卡交易数据的检测效率。
进一步地，所述对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集，包括：
对所述目标维度信用卡交易数据进行分区数据数量均衡处理，以及分区直径最小化处理；可参照上述实施例说明，不再赘述。
以分区数据数量均衡处理结果和分区直径最小化处理结果为目标，求解得到最佳分割位；可参照上述实施例说明，不再赘述。
将小于所述最佳分割位的目标维度信用卡交易数据作为第一分区数据集，将大于等于所述最佳分割位的目标维度信用卡交易数据作为第二分区数据集。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用卡异常交易检测方法，通过准确确定最佳分割位合理划分数据，进一步能够提高多维度信用卡交易数据的检测效率。
进一步地，对所述目标维度信用卡交易数据进行分区直径最小化处理，包括：
计算所述目标维度信用卡交易数据的最大值和最小值之间的均值；可参照上述实施例说明，不再赘述。
根据所述均值、所述最大值和所述最小值对所述目标维度信用卡交易数据进行分区直径最小化处理。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用卡异常交易检测方法，通过对分区直径最小化处理，有助于准确确定最佳分割位，以便合理划分数据。
进一步地，所述根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值，包括：
根据所述第一分区数据集和所述第二分区数据集，并利用k近邻算法和范围查询算法进行双重剪枝加速数据检索计算，得到数据对象的第k距离；可参照上述实施例说明，不再赘述。
根据数据对象的第k距离，计算得到所述局部异常因子预测值。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用卡异常交易检测方法，利用两种算法并行计算，进一步能够提高多维度信用卡交易数据的检测效率。
进一步地，所述根据数据对象的第k距离，计算得到所述局部异常因子预测值，包括：
根据数据对象的第k距离计算得到数据对象的第k距离邻域；可参照上述实施例说明，不再赘述。
根据数据对象的欧式距离和第k距离计算得到数据对象的第k可达距离；可参照上述实施例说明，不再赘述。
根据与第k距离邻域对应的第k距离邻域数据对象容量和数据对象的第k可达距离，计算得到数据对象的局部可达密度；可参照上述实施例说明，不再赘述。
根据数据对象的局部可达密度和所述第k距离邻域数据对象容量，计算得到所述局部异常因子预测值。可参照上述实施例说明，不再赘述。
本发明实施例提供的信用卡异常交易检测方法，能够准确计算得到局部异常因子预测值，保证后续模型训练效率。
需要说明的是，本发明实施例提供的信用卡异常交易检测方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对信用卡异常交易检测方法的应用领域不做限定。
图4是本发明一实施例提供的信用卡异常交易检测装置的结构示意图，如图4所示，本发明实施例提供的信用卡异常交易检测装置，包括获取单元401和检测单元402，其中：
获取单元401用于获取待检测信用卡交易数据；检测单元402用于基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
具体的，装置中的获取单元401用于获取待检测信用卡交易数据；检测单元402用于基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
本发明实施例提供的信用卡异常交易检测装置，获取待检测信用卡交易数据；基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到，通过进行分区数据平衡化处理的局部离群因子算法，能够提高多维度信用卡交易数据的检测结果准确度和检测效率。
进一步地，所述检测单元402具体用于：
若确定所述预设信用卡异常交易检测模型输出的局部异常因子大于1，则确定所述信用卡异常交易检测结果为异常；
若确定所述预设信用卡异常交易检测模型输出的局部异常因子小于等于1，则确定所述信用卡异常交易检测结果为正常。
本发明实施例提供的信用卡异常交易检测装置，进一步能够提高多维度信用卡交易数据的检测结果准确度。
进一步地，所述信用卡异常交易检测装置还用于：
获取多维信用卡交易数据，对所述多维信用卡交易数据进行降维处理，得到目标维度信用卡交易数据；
对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集；
根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值；
根据所述局部异常因子预测值和局部异常因子真实值对局部异常因子算法进行训练，得到所述预设信用卡异常交易检测模型。
本发明实施例提供的信用卡异常交易检测装置，进一步能够提高多维度信用卡交易数据的检测效率。
进一步地，所述信用卡异常交易检测装置还具体用于：
对所述目标维度信用卡交易数据进行分区数据数量均衡处理，以及分区直径最小化处理；
以分区数据数量均衡处理结果和分区直径最小化处理结果为目标，求解得到最佳分割位；
将小于所述最佳分割位的目标维度信用卡交易数据作为第一分区数据集，将大于等于所述最佳分割位的目标维度信用卡交易数据作为第二分区数据集。
本发明实施例提供的信用卡异常交易检测装置，通过准确确定最佳分割位合理划分数据，进一步能够提高多维度信用卡交易数据的检测效率。
进一步地，所述信用卡异常交易检测装置还具体用于：
计算所述目标维度信用卡交易数据的最大值和最小值之间的均值；
根据所述均值、所述最大值和所述最小值对所述目标维度信用卡交易数据进行分区直径最小化处理。
本发明实施例提供的信用卡异常交易检测装置，通过对分区直径最小化处理，有助于准确确定最佳分割位，以便合理划分数据。
进一步地，所述信用卡异常交易检测装置还具体用于：
根据所述第一分区数据集和所述第二分区数据集，并利用k近邻算法和范围查询算法进行双重剪枝加速数据检索计算，得到数据对象的第k距离；
根据数据对象的第k距离，计算得到所述局部异常因子预测值。
本发明实施例提供的信用卡异常交易检测装置，利用两种算法并行计算，进一步能够提高多维度信用卡交易数据的检测效率。
进一步地，所述信用卡异常交易检测装置还具体用于：
根据数据对象的第k距离计算得到数据对象的第k距离邻域；
根据数据对象的欧式距离和第k距离计算得到数据对象的第k可达距离；
根据与第k距离邻域对应的第k距离邻域数据对象容量和数据对象的第k可达距离，计算得到数据对象的局部可达密度；
根据数据对象的局部可达密度和所述第k距离邻域数据对象容量，计算得到所述局部异常因子预测值。
本发明实施例提供的信用卡异常交易检测装置，能够准确计算得到局部异常因子预测值，保证后续模型训练效率。
本发明实施例提供信用卡异常交易检测装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备包括：处理器(processor)501、存储器(memory)502和总线503；
其中，所述处理器501、存储器502通过总线503完成相互间的通信；
所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种信用卡异常交易检测方法，其特征在于，包括：
获取待检测信用卡交易数据；
基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
2.根据权利要求1所述的信用卡异常交易检测方法，其特征在于，所述基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果，包括：
若确定所述预设信用卡异常交易检测模型输出的局部异常因子大于1，则确定所述信用卡异常交易检测结果为异常；
若确定所述预设信用卡异常交易检测模型输出的局部异常因子小于等于1，则确定所述信用卡异常交易检测结果为正常。
3.根据权利要求1所述的信用卡异常交易检测方法，其特征在于，基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法，得到所述预设信用卡异常交易检测模型，包括：
获取多维信用卡交易数据，对所述多维信用卡交易数据进行降维处理，得到目标维度信用卡交易数据；
对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集；
根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值；
根据所述局部异常因子预测值和局部异常因子真实值对局部异常因子算法进行训练，得到所述预设信用卡异常交易检测模型。
4.根据权利要求3所述的信用卡异常交易检测方法，其特征在于，所述对所述目标维度信用卡交易数据进行分区数据平衡化处理，得到第一分区数据集和第二分区数据集，包括：
对所述目标维度信用卡交易数据进行分区数据数量均衡处理，以及分区直径最小化处理；
以分区数据数量均衡处理结果和分区直径最小化处理结果为目标，求解得到最佳分割位；
将小于所述最佳分割位的目标维度信用卡交易数据作为第一分区数据集，将大于等于所述最佳分割位的目标维度信用卡交易数据作为第二分区数据集。
5.根据权利要求4所述的信用卡异常交易检测方法，其特征在于，对所述目标维度信用卡交易数据进行分区直径最小化处理，包括：
计算所述目标维度信用卡交易数据的最大值和最小值之间的均值；
根据所述均值、所述最大值和所述最小值对所述目标维度信用卡交易数据进行分区直径最小化处理。
6.根据权利要求3所述的信用卡异常交易检测方法，其特征在于，所述根据所述第一分区数据集和所述第二分区数据集计算得到局部异常因子预测值，包括：
根据所述第一分区数据集和所述第二分区数据集，并利用k近邻算法和范围查询算法进行双重剪枝加速数据检索计算，得到数据对象的第k距离；
根据数据对象的第k距离，计算得到所述局部异常因子预测值。
7.根据权利要求6所述的信用卡异常交易检测方法，其特征在于，所述根据数据对象的第k距离，计算得到所述局部异常因子预测值，包括：
根据数据对象的第k距离计算得到数据对象的第k距离邻域；
根据数据对象的欧式距离和第k距离计算得到数据对象的第k可达距离；
根据与第k距离邻域对应的第k距离邻域数据对象容量和数据对象的第k可达距离，计算得到数据对象的局部可达密度；
根据数据对象的局部可达密度和所述第k距离邻域数据对象容量，计算得到所述局部异常因子预测值。
8.一种信用卡异常交易检测装置，其特征在于，包括：
获取单元，用于获取待检测信用卡交易数据；
检测单元，用于基于预设信用卡异常交易检测模型对所述待检测信用卡交易数据进行异常检测，得到信用卡异常交易检测结果；
其中，所述预设信用卡异常交易检测模型基于信用卡异常交易检测样本数据训练预先进行分区数据平衡化处理的局部异常因子算法得到。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN202410090783.0A 2024-01-22 2024-01-22 一种信用卡异常交易检测方法及装置 Pending CN117911034A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410090783.0A CN117911034A (zh) 2024-01-22 2024-01-22 一种信用卡异常交易检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410090783.0A CN117911034A (zh) 2024-01-22 2024-01-22 一种信用卡异常交易检测方法及装置

Publications (1)

Publication Number Publication Date
CN117911034A true CN117911034A (zh) 2024-04-19

Family

ID=90689308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410090783.0A Pending CN117911034A (zh) 2024-01-22 2024-01-22 一种信用卡异常交易检测方法及装置

Country Status (1)

Country Link
CN (1) CN117911034A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI883938B (zh) * 2024-04-26 2025-05-11 台灣大哥大股份有限公司 異常交易偵測方法及異常交易偵測裝置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI883938B (zh) * 2024-04-26 2025-05-11 台灣大哥大股份有限公司 異常交易偵測方法及異常交易偵測裝置

Similar Documents

Publication Publication Date Title
CN116596095B (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
CN117975204B (zh) 一种模型训练方法、缺陷检测方法以及相关装置
US20220284261A1 (en) Training-support-based machine learning classification and regression augmentation
CN112668482A (zh) 人脸识别训练方法、装置、计算机设备及存储介质
CN113221065A (zh) 数据密度估计及回归方法、相应装置、电子设备、介质
CN109902192A (zh) 基于无监督深度回归的遥感图像检索方法、系统、设备及介质
CN113723514A (zh) 一种基于混合采样的安全接入日志数据平衡处理方法
CN118506221A (zh) 基于无人机架空线路自适应巡检的半监督检测方法
CN120197141B (zh) 一种多模态多源异构数据融合方法及系统
CN114332847A (zh) 一种基于主动选择约束的深度图像聚类方法、系统、装置
CN111797899A (zh) 一种低压台区kmeans聚类方法及系统
CN114386466A (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
CN115344693A (zh) 一种基于传统算法和神经网络算法融合的聚类方法
CN117911034A (zh) 一种信用卡异常交易检测方法及装置
Li et al. CUS-RF-based credit card fraud detection with imbalanced data
CN117011536B (zh) 特征提取模型处理及特征提取方法、装置和计算机设备
CN115131589B (zh) 一种互联网文创作品智能设计的图像生成方法
Rahman et al. An efficient approach for selecting initial centroid and outlier detection of data clustering
CN117609529B (zh) 电子元器件的替代检索方法及其系统
CN118967329A (zh) 一种融合聚类与集成学习的金融股票预测方法
CN114154590B (zh) 用户聚类方法、装置、终端设备以及存储介质
Cai et al. Fuzzy criteria in multi-objective feature selection for unsupervised learning
Yang et al. Adaptive density peak clustering for determinging cluster center
Tchaye-Kondi et al. A new hashing based nearest neighbors selection technique for big datasets
CN120510454B (zh) 一种基于集成学习的汽液两相流流型识别方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination